CN108446651A - 人脸识别方法和装置 - Google Patents
人脸识别方法和装置 Download PDFInfo
- Publication number
- CN108446651A CN108446651A CN201810257843.8A CN201810257843A CN108446651A CN 108446651 A CN108446651 A CN 108446651A CN 201810257843 A CN201810257843 A CN 201810257843A CN 108446651 A CN108446651 A CN 108446651A
- Authority
- CN
- China
- Prior art keywords
- image
- preset quality
- quality factor
- quality
- factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本申请实施例公开了人脸识别方法和装置。该方法的一具体实施方式包括:获取待识别对象的人脸图像;将待识别对象的人脸图像输入已训练的质量评估模型,得到人脸图像关于多个预设质量因素的评估结果;响应于检测出人脸图像的至少一个预设质量因素的评估结果不满足相应的质量标准,生成关于不满足相应的质量标准的预设质量因素的提示信息,以供待识别对象根据提示信息所指示的预设质量因素调整人脸图像采集状态。该实施方式通过向待识别对象发送关于不满足相应的质量标准的预设质量因素的提示信息,使得待识别对象可以根据提示信息对人脸图像的采集状态进行相应的调整,从而有助于提升人脸识别的效率。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及人脸识别方法和装置。
背景技术
自动识别人脸的技术或设备,在公共安全、智能监控、数字身份认证、电子商务、多媒体和数字娱乐等多领域都具有巨大的应用价值和广泛的应用市场。经过长时间的研究,人脸识别已经取得了长足的发展与进步,以“人脸”为对象的计算机视觉研究已经成为一个及其重要、研究方向众多并有着广泛应用于前景的学术和科技领域。
目前,用户在人脸识别的过程中往往会存在多种导致人脸识别失败的原因,如图像模糊、人脸遮挡等。但是,用户无法明确知道导致人脸识别失败的原因。以手机等终端设备为例,当用户通过人脸识别对手机等进行解锁出现解锁失败时,用户往往不知道是什么原因导致的手机解锁失败,更无从知道如何进行调整改进。
发明内容
本申请实施例提出了人脸识别方法和装置。
第一方面,本申请实施例提供了一种人脸识别方法,该方法包括:获取待识别对象的人脸图像;将待识别对象的人脸图像输入已训练的质量评估模型,得到人脸图像关于多个预设质量因素的评估结果;响应于检测出人脸图像的至少一个预设质量因素的评估结果不满足相应的质量标准,生成关于不满足相应的质量标准的预设质量因素的提示信息,以供待识别对象根据提示信息所指示的预设质量因素调整人脸图像采集状态。
在一些实施例中,质量评估模型通过如下方式训练得到:获取第一样本图像及第一样本图像关于各预设质量因素的评估的标注结果,其中,标注结果用于指示对应的第一样本图像关于各预设质量因素是否满足相应的质量标准;将第一样本图像输入待训练的质量评估模型,得到第一样本图像关于各预设质量因素的评估的预测结果;比对预测结果和标注结果,利用反向传播算法调整质量评估模型的参数,以使预测结果与标注结果之间的误差小于第一阈值。
在一些实施例中,质量评估模型包括多个子模型,每个子模型用于评估输入图像关于一个预设质量因素的质量;将待识别对象的人脸图像输入已训练的质量评估模型,得到人脸图像关于多个预设质量因素的评估结果,包括:将待识别对象的人脸图像分别输入各子模型中,得到人脸图像关于各预设质量因素的评估结果。
在一些实施例中,用于评估多个预设质量因素中的目标预设质量因素的子模型通过如下方式训练得到:获取多个第二样本图像及各第二样本图像对目标预设质量因素的评估的标注结果,其中,目标预设质量因素为多个预设质量因素中的任一预设质量因素,标注结果用于指示对应的第二样本图像关于目标预设质量因素是否满足对应的质量标准;将各第二样本图像输入待训练的子模型,得到各第二样本图像的目标预设质量因素的评估的预测结果;比对预测结果和标注结果,利用反向传播算法调整该子模型的参数,以使预测结果与标注结果之间的误差小于第二阈值。
在一些实施例中,预设质量因素包括以下至少一项:图像亮度、图像模糊程度、图像中人脸遮挡程度、图像中的人脸姿态、图像中人脸区域的尺寸。
第二方面,本申请实施例提供了一种人脸识别装置,装置包括:获取单元,配置用于获取待识别对象的人脸图像;质量评估单元,配置用于将待识别对象的人脸图像输入已训练的质量评估模型,得到人脸图像关于多个预设质量因素的评估结果;生成单元,配置用于响应于检测出人脸图像的至少一个预设质量因素的评估结果不满足相应的质量标准,生成关于不满足相应的质量标准的预设质量因素的提示信息,以供待识别对象根据提示信息所指示的预设质量因素调整人脸图像采集状态。
在一些实施例中,质量评估模型通过如下方式训练得到:获取第一样本图像及第一样本图像关于各预设质量因素的评估的标注结果,其中,标注结果用于指示对应的第一样本图像关于各预设质量因素是否满足相应的质量标准;将第一样本图像输入待训练的质量评估模型,得到第一样本图像关于各预设质量因素的评估的预测结果;比对预测结果和标注结果,利用反向传播算法调整质量评估模型的参数,以使预测结果与标注结果之间的误差小于第一阈值。
在一些实施例中,质量评估模型包括多个子模型,每个子模型用于评估输入图像关于一个预设质量因素的质量;质量评估单元进一步配置用于按照如下方式得到评估结果,包括:将待识别对象的人脸图像分别输入各子模型中,得到人脸图像关于各预设质量因素的评估结果。
在一些实施例中,用于评估多个预设质量因素中的目标预设质量因素的子模型通过如下方式训练得到:获取多个第二样本图像及各第二样本图像对目标预设质量因素的评估的标注结果,其中,目标预设质量因素为多个预设质量因素中的任一预设质量因素,标注结果用于指示对应的第二样本图像关于目标预设质量因素是否满足对应的质量标准;将各第二样本图像输入待训练的子模型,得到各第二样本图像的目标预设质量因素的评估的预测结果;比对预测结果和标注结果,利用反向传播算法调整该子模型的参数,以使预测结果与标注结果之间的误差小于第二阈值。
在一些实施例中,预设质量因素包括以下至少一项:图像亮度、图像模糊程度、图像中人脸遮挡程度、图像中的人脸姿态、图像中人脸区域的尺寸。
本申请实施例提供的人脸识别方法和装置,获取待识别对象的人脸图像,而后将待识别对象的人脸图像输入已训练的质量评估模型,从而可以得到该人脸图像关于多个预设质量因素的评估结果,之后响应于检测出人脸图像的至少一个预设质量因素的评估结果不满足相应的质量标准,生成关于不满足相应的质量标准的预设质量因素的提示信息,最后待识别对象可以根据提示信息所指示的预设质量因素调整人脸图像采集状态,从而避免再次采集得到的人脸图像出现提示信息中的图像质量问题,进而有助于提升人脸识别的效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的人脸识别方法的一个实施例的流程图;
图3是根据本申请的人脸识别方法的一个应用场景的示意图;
图4是根据本申请的人脸识别装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的人脸识别方法或人脸识别装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如摄影摄像类应用、图像处理类应用、搜索类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持网络通信的各种电子设备,包括但不限于图像采集器、智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上传的待识别对象的人脸图像提供支持的后台服务器。后台服务器可以对待识别对象的人脸图像等进行分析等处理。该后台服务器还可以将处理结果(例如图像质量评估结果)反馈给终端设备。
需要说明的是,本申请实施例所提供的人脸识别方法一般由服务器105执行,相应地,人脸识别装置一般设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
还需要指出的是,终端设备101、102、103中也可以安装有图像处理类应用,待识别对象的人脸图像可以直接存储在终端设备101、102、103的本地。因此,终端设备101、102、103也可以基于图像处理类应用对获取的人脸图像进行图像质量评估。此时,人脸识别方法也可以由终端设备101、102、103执行,相应地,人脸识别装置也可以设置于终端设备101、102、103中。此时,示例性系统架构100可以不存在服务器105和网络104。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的人脸识别方法的一个实施例的流程200。该人脸识别方法,包括以下步骤:
步骤201,获取待识别对象的人脸图像。
在本实施例中,任何可能被人脸识别的用户对象均可以被称为待识别对象。待识别对象的人脸图像中可以为包括该待识别对象的脸部区域的图像。人脸识别方法的执行主体可以首先获取待识别对象的人脸图像。这里,待识别对象的人脸图像可以是对待识别对象的人脸区域现场拍摄得到的人脸图像。或者,待识别对象的人脸图像还可以是预先存储的包含待识别对象的人脸区域的人脸图像。
需要说明的是,上述待识别对象的人脸图像可以直接存储在上述执行主体所在的电子设备的本地,此时,上述执行主体可以直接从本地获取上述待识别对象的人脸图像。此外,上述待识别的人脸图像也可以是与上述执行主体相连接的其他电子设备采集得到的图像,该电子设备可以通过有线连接方式或者无线连接方式将待识别对象的人脸图像发送给上述执行主体。其中,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202,将待识别对象的人脸图像输入已训练的质量评估模型,得到人脸图像关于多个预设质量因素的评估结果。
在本实施例中,可以预先根据多个预设质量因素对质量评估模型进行训练得到已训练的质量评估模型。上述执行主体可以将上述待识别对象的人脸图像输入已训练的质量评估模型,从而得到待识别对象的人脸图像关于多个预设质量因素的评估结果。其中,预设质量因素可以理解为影响图像可读程度的各种影响因素,图像的可读程度可以指由图像能向人或机器提供信息的能力。可选地,上述预设质量因素可以包括图像亮度、图像模糊程度、图像中人脸遮挡程度、图像中的人脸姿态、图像中人脸区域的尺寸等中的至少一项。上述已训练的质量评估模型可以用于对人脸图像的多个预设质量因素进行质量评估。
作为示例,上述质量评估模型可以是预先利用机器学习方法,基于训练样本对构建的模型(例如,卷积神经网络(Convolutional Neural Network,CNN))进行训练后所得到的模型。上述卷积神经网络可以包括卷积层、池化层、反池化层和反卷积层,其中,卷积层可以用于提取图像特征,池化层可以用于对输入的信息进行降采样(downsample),反池化层可以用于对输入的信息进行上采样(upsample),反卷积层用于对输入的信息进行反卷积,将卷积层的卷积核的转置作为反卷积层的卷积核对所输入的信息进行处理。反卷积是卷积的逆运算,实现了信号的复原。上述卷积神经网络的最后一个反卷积层可以输出人脸图像关于多个预设质量因素的评估结果。实践中,卷积神经网络(Convolutional NeuralNetwork,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于图像处理有出色表现,因而,可以利用卷积神经网络进行图像的评估处理。需要说明的是,上述电子设备可以利用例如有监督训练等方式训练上述卷积神经网络得到人脸图像的质量评估模型。
在本实施例的一些可选的实现方式中,上述质量评估模型可以通过如下步骤训练得到:
第一步,获取第一样本图像以及第一样本图像关于各预设质量因素的评估的标注结果。这里,标注结果可以用于指示对应的第一样本图像关于各预设质量因素是否满足相应的质量标注。上述第一样本图像和第一样本图像关于各预设质量因素的评估的标注结果可以通过如下手段获取:通过网络下载、现场拍摄等方式获取人脸图像,而后评估所获取的人脸图像的关于各预设质量因素的质量,得到第一样本人脸图像关于各预设质量因素的评估的标注结果。
第二步,将上述第一样本图像输入待训练的质量评估模型,从而可以得到上述第一样本图像关于各预设质量因素的评估的预测结果。实践中,利用深度学习的方法进行图像质量评价,该算法的学习模型可以为卷积神经网络(Convolutional Neural Network,CNN)、受限玻尔兹曼机(Boltzmann machine,BM)等。
第三步,比对预测结果和标注结果,利用反向传播算法调整质量评估模型的参数,以使预测结果与标注结果之间的误差小于第一阈值。实践中,可以通过反向传播算法调整卷积神经网络的参数,将训练后的卷积神经网络确定为上述质量评估模型。实践中,反向传播算法也可称为误差反向传播算法、误差逆传播算法或后向传导算法。反向传播算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。在前馈网络中,输入信号经输入层输入,通过隐层计算由输出层输出,输出值与标注值比较,若有误差,将误差反向由输出层向输入层传播,在这个过程中,可以利用梯度下降算法对神经元权值(例如卷积层中卷积核的参数等)进行调整。此处,上述损失函数即可用于表征输出值与标注值的误差。可见,将第一样本图像关于各预设质量因素的评估的预测结果和第一样本图像关于各预设质量因素的评估的标注结果进行对比,利用反向传播算法可以调整质量评估模型的参数,直到得到的预测结果与标注结果之间的误差小于第一阈值,从而可以得到已训练的质量评估模型。
在本实施例的一些可选的实现方式中,上述质量评估模型可以包括多个子模型,每个子模型可以用于评估输入图像关于一个预设质量因素的质量。作为示例,预设质量因素可以包括质量因素A、质量因素B、质量因素C,此时用于对人脸图像质量评估的模型可以包括子模型1、子模型2和子模型3,并且子模型1可以用于评估输入图像关于质量因素A的质量,子模型2可以用于评估输入图像关于质量因素B的质量,子模型3可以用于评估输入图像关于质量因素C的质量。因此,将人脸图像输入上述各子模型中可以得到该人脸图像的关于各预设质量因素的评估结果。上述质量因素A、质量因素B、质量因素C可以分别是图像模糊程度、图像亮度、图像中人脸遮挡程度,则相应的子模型1、子模型2和子模型3可以分别为用于评估图像模糊程度的子模型、用于评估图像亮度的子模型和用于评估图像中人脸遮挡程度的子模型。
上述用于评估多个预设质量因素中的目标预设质量因素的子模型可以通过如下方式训练得到:
第一步,获取第二样本图像以及第二样本图像关于目标预设质量因素的评估的标注结果。其中,目标预设质量因素可以为上述多个预设质量因素中的任意一种,标注结果可以用于指示对应的第二样本图像关于目标预设质量因素是否满足对应的质量标准。上述第二样本图像和第二样本图像对目标预设质量因素的评估的标注结果可以通过如下手段获取:通过网络下载、现场拍摄等方式获取人脸图像,而后评估所获取的人脸图像关于目标预设质量因素的质量,从而得到第二样本图像关于目标预设质量因素的评估的标注结果。这里的第二样本图像可以与上述实现方式中的第一样本图像相同或者不同。
不同的质量因素可以采用相同的样本图像或不同的样本图像进行训练。作为示例,对于预设质量因素中的质量因素A、质量因素B、质量因素C,质量因素A可以对应设有第二样本图像1,质量因素B可以对应设有第二样本图像2、质量因素C可以对应设有第二样本图像3,第二样本图像1、第二样本图像2和第二样本图像3可以不相同。当然,这里的第二样本图像1、第二样本图像2和第二样本图像3也可以相同,可以均为上述实现方式中的第一样本图像。
第二步,将上述各第二样本图像输入待训练的子模型,得到上述各第二样本图像的目标预设质量因素的评估的预测结果。作为示例,目标预设质量因素为质量因素A,因此将与质量因素A对应的第二样本图像1输入待训练的子模型,可以得到该第二样本图像1的关于质量因素A的预测结果。实践中,利用深度学习的方法训练上述子模型,该算法的学习模型可以为卷积神经网络(Convolutional Neural Network,CNN)、受限玻尔兹曼机(Boltzmann machine,BM)等
第三步,比对预测结果和标注结果,利用反向传播算法调整该子模型的参数,以使预测结果与标注结果之间的误差可以小于第二阈值。实践中,可以通过反向传播算法迭代调整卷积神经网络的参数,将训练后的卷积神经网络确定为上述子模型。在获取待训练的子模型输出的各第二样本图像的目标预设质量因素的预测结果之后,可以将该预测结果与获取的各第二样本图像的目标预设质量因素的标注结果进行对比。并且,在确定出预设结果和标注结果之间的误差大于或等于第二阈值的情况,可以利用反向传播算法调整该子模型的参数,直到子模型输出的关于目标预设质量因素的预测结果和关于目标预设质量因素的标注结果之间的误差小于第二阈值,此时可以确定该子模型训练完成。
步骤203,响应于检测出人脸图像的至少一个预设质量因素的评估结果不满足相应的质量标准,生成关于不满足相应的质量标准的预设质量因素的提示信息,以供待识别对象根据提示信息所指示的预设质量因素调整人脸图像采集状态。
在本实施例中,基于步骤202得到的人脸图像的多个预设质量因素的评估结果,上述执行主体可以对所得到的评估结果进行检测。并在检测出上述人脸图像存在至少一个预设质量因素的评估结果不满足相应的质量标准时,上述执行主体可以生成关于不满足相应的质量标准的预设质量因素的提示信息。可以理解的是,上述执行主体可以预先为每个预设质量因素设置相应的质量标准,因此,在得到人脸图像关于多个预设质量因素的评估结果之后,上述执行主体可以将各预设质量因素的评估结果与相应的质量标准进行对比。作为示例,用户戴眼镜或口罩等可能会导致对应的人脸图像中人脸的遮挡面积过大,不满足相应的质量标准;用户闭眼等可能会导致对应的人脸图像的人脸姿态不满足相应的质量标准。
在本实施例中,上述执行主体可以通过直接显示或发送到显示装置的方式,将上述提示信息呈现给待识别对象。待识别对象可以根据该提示信息所指示的预设质量因素调整人脸图像的采集状态,从而使得再次采集得到的人脸图像可以克服上述指示信息中的出现的图像质量问题。
在本实施的一些可选的实现方式中,上述执行主体在检测出人脸图像存在两个或两个以上的预设质量因素的评估结果不满足相应的质量标准时,可以将上述两个或两个以上不满足相应的质量标准的预设质量因素通过同一个提示信息进行呈现。或者,还可以将上述两个或两个以上不满足相应的质量标准的预设质量因素中的每个提示信息分别进行呈现,这里不做具体的限定。
在本实施例的一些可选的实现方式中,若检测出人脸图像的每个预设质量因素的评估结果均满足相应的质量标准,此时可以利用该人脸图像进行人脸识别得到人脸识别的结果。可以理解的是,上述执行主体可以通过将上述人脸图像输入预先训练的人脸识别模型得到人脸识别的结果。
继续参考图3,图3示出了根据本实施的人脸识别方法的应用场景的一个示意图。在图3的应用场景中,利用该人脸识别方法可以用于手机的解锁。首先,待识别对象为用户X,手机的摄像头可以采集用户X的人脸图像。而后,后台服务器可以将用户X的人脸图像输入已训练的质量评估模型,并得到该人脸图像关于多个预设质量因素的评估结果。之后,后台服务器响应于检测出用户X的人脸图像的至少一个预设质量因素的评估结果不满足相应的质量标准,可以生成关于不满足相应的质量标准的预设质量因素的提示信息,如,图像亮度过低等提示信息。最后,后台服务器可以通过手机屏幕向用户展示提示信息“图像亮度过低”,以供用户X根据该提示信息所指示的预设质量因素调整人脸图像采集时人脸区域的亮度。
本申请的上述实施例提供的人脸识别方法,获取待识别对象的人脸图像,而后将待识别对象的人脸图像输入已训练的质量评估模型,从而可以得到该人脸图像关于多个预设质量因素的评估结果,之后响应于检测出人脸图像的至少一个预设质量因素的评估结果不满足相应的质量标准,生成关于不满足相应的质量标准的预设质量因素的提示信息,最后待识别对象可以根据提示信息所指示的预设质量因素调整人脸图像采集状态,从而避免再次采集得到的人脸图像出现提示信息中的图像质量问题,进而有助于提升人脸识别的效率。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种人脸识别装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的人脸识别装置400包括:获取单元401、质量评估单元402和生成单元403。其中,获取单元401配置用于获取待识别对象的人脸图像;质量评估单元402配置用于将待识别对象的人脸图像输入已训练的质量评估模型,得到人脸图像关于多个预设质量因素的评估结果;生成单元403配置用于响应于检测出人脸图像的至少一个预设质量因素的评估结果不满足相应的质量标准,生成关于不满足相应的质量标准的预设质量因素的提示信息,以供待识别对象根据提示信息所指示的预设质量因素调整人脸图像采集状态。
在本实施例中,上述获取单元401可以用于利用图像采集等方式获取待识别对象的人脸图像。质量评估单元402可以首先获取利用各种方式训练得到的质量评估模型,以便于将上述人脸图像输入已训练的质量评估模型得到人脸图像关于多个预设质量因素的评估结果。上述生成单元403可以对所得到的评估结果进行检测,并在检测出人脸图像的至少一个预设质量因素的评估结果不满足相应的质量标准的情况下,生成关于不满足相应的质量标准的预设质量因素的提示信息。最后,待识别用户可以根据提示信息所指示的预设质量因素调整人脸图像采集状态,从而避免再次采集得到的人脸图像出现提示信息中的图像质量问题。
在本实施例的一些可选的实现方式中,质量评估模型通过如下方式训练得到:获取第一样本图像及第一样本图像关于各预设质量因素的评估的标注结果,其中,标注结果用于指示对应的第一样本图像关于各预设质量因素是否满足相应的质量标准;将第一样本图像输入待训练的质量评估模型,得到第一样本图像关于各预设质量因素的评估的预测结果;比对预测结果和标注结果,利用反向传播算法调整质量评估模型的参数,以使预测结果与标注结果之间的误差小于第一阈值。
在本实施例的一些可选的实现方式中,质量评估模型包括多个子模型,每个子模型用于评估输入图像关于一个预设质量因素的质量;质量评估单元进一步配置用于按照如下方式得到评估结果,包括:将待识别对象的人脸图像分别输入各子模型中,得到人脸图像关于各预设质量因素的评估结果。
在本实施例的一些可选的实现方式中,用于评估多个预设质量因素中的目标预设质量因素的子模型通过如下方式训练得到:获取多个第二样本图像及各第二样本图像对目标预设质量因素的评估的标注结果,其中,目标预设质量因素为多个预设质量因素中的任一预设质量因素,标注结果用于指示对应的第二样本图像关于目标预设质量因素是否满足对应的质量标准;将各第二样本图像输入待训练的子模型,得到各第二样本图像的目标预设质量因素的评估的预测结果;比对预测结果和标注结果,利用反向传播算法调整该子模型的参数,以使预测结果与标注结果之间的误差小于第二阈值。
在本实施例的一些可选的实现方式中,预设质量因素包括以下至少一项:图像亮度、图像模糊程度、图像中人脸遮挡程度、图像中的人脸姿态、图像中人脸区域的尺寸。
装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于装置400及其中包含的单元,在此不再赘述。
本申请实施例提供的人脸识别装置,上述获取单元401可以获取待识别对象的人脸图像,而后质量评估单元402可以将待识别对象的人脸图像输入已训练的质量评估模型,从而得到该人脸图像关于多个预设质量因素的评估结果,之后响应于检测出人脸图像的至少一个预设质量因素的评估结果不满足相应的质量标准,上述生成单元可以生成关于不满足相应的质量标准的预设质量因素的提示信息,最后待识别对象可以根据提示信息所指示的预设质量因素调整人脸图像采集状态,从而避免再次采集得到的人脸图像出现提示信息中的图像质量问题,有助于提升人脸识别的效率,提升了用户体验。
下面参考图5,其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、质量评估单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取待识别对象的人脸图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置获取待识别对象的人脸图像;将待识别对象的人脸图像输入已训练的质量评估模型,得到人脸图像关于多个预设质量因素的评估结果;响应于检测出人脸图像的至少一个预设质量因素的评估结果不满足相应的质量标准,生成关于不满足相应的质量标准的预设质量因素的提示信息,以供待识别对象根据提示信息所指示的预设质量因素调整人脸图像采集状态。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种人脸识别方法,包括:
获取待识别对象的人脸图像;
将所述待识别对象的人脸图像输入已训练的质量评估模型,得到所述人脸图像关于多个预设质量因素的评估结果;
响应于检测出所述人脸图像的至少一个预设质量因素的评估结果不满足相应的质量标准,生成关于不满足相应的质量标准的预设质量因素的提示信息,以供所述待识别对象根据所述提示信息所指示的预设质量因素调整人脸图像采集状态。
2.根据权利要求1所述的方法,其中,所述质量评估模型通过如下方式训练得到:
获取第一样本图像及所述第一样本图像关于各预设质量因素的评估的标注结果,其中,所述标注结果用于指示对应的第一样本图像关于各所述预设质量因素是否满足相应的质量标准;
将所述第一样本图像输入待训练的质量评估模型,得到所述第一样本图像关于各所述预设质量因素的评估的预测结果;
比对所述预测结果和所述标注结果,利用反向传播算法调整所述质量评估模型的参数,以使所述预测结果与所述标注结果之间的误差小于第一阈值。
3.根据权利要求1所述的方法,其中,所述质量评估模型包括多个子模型,每个子模型用于评估输入图像关于一个预设质量因素的质量;
所述将所述待识别对象的人脸图像输入已训练的质量评估模型,得到所述人脸图像关于多个预设质量因素的评估结果,包括:
将所述待识别对象的人脸图像分别输入各所述子模型中,得到所述人脸图像关于各预设质量因素的评估结果。
4.根据权利要求3所述的方法,其中,用于评估所述多个预设质量因素中的目标预设质量因素的子模型通过如下方式训练得到:
获取多个第二样本图像及各所述第二样本图像对所述目标预设质量因素的评估的标注结果,其中,所述目标预设质量因素为所述多个预设质量因素中的任一预设质量因素,所述标注结果用于指示对应的第二样本图像关于目标预设质量因素是否满足对应的质量标准;
将各所述第二样本图像输入待训练的子模型,得到各所述第二样本图像的目标预设质量因素的评估的预测结果;
比对所述预测结果和所述标注结果,利用反向传播算法调整该子模型的参数,以使所述预测结果与所述标注结果之间的误差小于第二阈值。
5.根据权利要求1-4之一所述的方法,其中,所述预设质量因素包括以下至少一项:图像亮度、图像模糊程度、图像中人脸遮挡程度、图像中的人脸姿态、图像中人脸区域的尺寸。
6.一种人脸识别装置,包括:
获取单元,配置用于获取待识别对象的人脸图像;
质量评估单元,配置用于将所述待识别对象的人脸图像输入已训练的质量评估模型,得到所述人脸图像关于多个预设质量因素的评估结果;
生成单元,配置用于响应于检测出所述人脸图像的至少一个预设质量因素的评估结果不满足相应的质量标准,生成关于不满足相应的质量标准的预设质量因素的提示信息,以供所述待识别对象根据所述提示信息所指示的预设质量因素调整人脸图像采集状态。
7.根据权利要求6所述的装置,其中,所述质量评估模型通过如下方式训练得到:
获取第一样本图像及所述第一样本图像关于各预设质量因素的评估的标注结果,其中,所述标注结果用于指示对应的第一样本图像关于各所述预设质量因素是否满足相应的质量标准;
将所述第一样本图像输入待训练的质量评估模型,得到所述第一样本图像关于各所述预设质量因素的评估的预测结果;
比对所述预测结果和所述标注结果,利用反向传播算法调整所述质量评估模型的参数,以使所述预测结果与所述标注结果之间的误差小于第一阈值。
8.根据权利要求6所述的装置,其中,所述质量评估模型包括多个子模型,每个子模型用于评估输入图像关于一个预设质量因素的质量;
所述质量评估单元进一步配置用于按照如下方式得到所述评估结果,包括:
将所述待识别对象的人脸图像分别输入各所述子模型中,得到所述人脸图像关于各预设质量因素的评估结果。
9.根据权利要求8所述的装置,其中,用于评估所述多个预设质量因素中的目标预设质量因素的子模型通过如下方式训练得到:
获取多个第二样本图像及各所述第二样本图像对所述目标预设质量因素的评估的标注结果,其中,所述目标预设质量因素为所述多个预设质量因素中的任一预设质量因素,所述标注结果用于指示对应的第二样本图像关于目标预设质量因素是否满足对应的质量标准;
将各所述第二样本图像输入待训练的子模型,得到各所述第二样本图像的目标预设质量因素的评估的预测结果;
比对所述预测结果和所述标注结果,利用反向传播算法调整该子模型的参数,以使所述预测结果与所述标注结果之间的误差小于第二阈值。
10.根据权利要求6-9之一所述的装置,其中,所述预设质量因素包括以下至少一项:图像亮度、图像模糊程度、图像中人脸遮挡程度、图像中的人脸姿态、图像中人脸区域的尺寸。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810257843.8A CN108446651A (zh) | 2018-03-27 | 2018-03-27 | 人脸识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810257843.8A CN108446651A (zh) | 2018-03-27 | 2018-03-27 | 人脸识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108446651A true CN108446651A (zh) | 2018-08-24 |
Family
ID=63196898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810257843.8A Pending CN108446651A (zh) | 2018-03-27 | 2018-03-27 | 人脸识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446651A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285149A (zh) * | 2018-09-04 | 2019-01-29 | 杭州比智科技有限公司 | 人脸图像质量的评估方法、装置及计算设备 |
CN109408396A (zh) * | 2018-11-12 | 2019-03-01 | 中国科学院长春光学精密机械与物理研究所 | 软件质量评价方法、装置、设备及计算机可读存储介质 |
CN109685785A (zh) * | 2018-12-20 | 2019-04-26 | 上海众源网络有限公司 | 一种图像质量评估方法、装置及电子设备 |
CN110378883A (zh) * | 2019-07-11 | 2019-10-25 | 北京奇艺世纪科技有限公司 | 图像评价模型生成方法、图像数据处理方法、装置、计算机设备和存储介质 |
CN110728227A (zh) * | 2019-10-09 | 2020-01-24 | 北京百度网讯科技有限公司 | 图像处理的方法及装置 |
CN110874547A (zh) * | 2018-08-30 | 2020-03-10 | 富士通株式会社 | 从视频中识别对象的方法和设备 |
CN111126121A (zh) * | 2018-11-01 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 人脸识别模型的调整方法、装置、设备及存储介质 |
CN111160066A (zh) * | 2018-11-07 | 2020-05-15 | 北京陌陌信息技术有限公司 | 人脸识别方法、装置、设备和介质 |
CN111273581A (zh) * | 2020-01-23 | 2020-06-12 | 深圳市大拿科技有限公司 | 一种智能衣柜的控制方法及相关产品 |
WO2020124994A1 (zh) * | 2018-12-18 | 2020-06-25 | 北京字节跳动网络技术有限公司 | 活体检测方法、装置、电子设备及存储介质 |
CN111353470A (zh) * | 2020-03-13 | 2020-06-30 | 北京字节跳动网络技术有限公司 | 图像的处理方法、装置、可读介质和电子设备 |
CN111753731A (zh) * | 2020-06-24 | 2020-10-09 | 上海立可芯半导体科技有限公司 | 人脸质量评估方法、装置和系统以及人脸质量评估模型的训练方法 |
CN111866589A (zh) * | 2019-05-20 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种视频数据验证方法、装置、电子设备及存储介质 |
CN111915567A (zh) * | 2020-07-06 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种图像质量评估方法、装置、设备及介质 |
CN112069887A (zh) * | 2020-07-31 | 2020-12-11 | 深圳市优必选科技股份有限公司 | 一种人脸识别方法、装置、终端设备及存储介质 |
CN112446849A (zh) * | 2019-08-13 | 2021-03-05 | 杭州海康威视数字技术股份有限公司 | 一种处理图片的方法及装置 |
WO2023065889A1 (zh) * | 2021-10-22 | 2023-04-27 | 荣耀终端有限公司 | 一种指纹识别方法及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631439A (zh) * | 2016-02-18 | 2016-06-01 | 北京旷视科技有限公司 | 人脸图像处理方法和装置 |
CN106503614A (zh) * | 2016-09-14 | 2017-03-15 | 厦门幻世网络科技有限公司 | 一种照片获取方法及装置 |
CN106897748A (zh) * | 2017-03-02 | 2017-06-27 | 上海极链网络科技有限公司 | 基于深层卷积神经网络的人脸质量评估方法和系统 |
-
2018
- 2018-03-27 CN CN201810257843.8A patent/CN108446651A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631439A (zh) * | 2016-02-18 | 2016-06-01 | 北京旷视科技有限公司 | 人脸图像处理方法和装置 |
CN106503614A (zh) * | 2016-09-14 | 2017-03-15 | 厦门幻世网络科技有限公司 | 一种照片获取方法及装置 |
CN106897748A (zh) * | 2017-03-02 | 2017-06-27 | 上海极链网络科技有限公司 | 基于深层卷积神经网络的人脸质量评估方法和系统 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874547B (zh) * | 2018-08-30 | 2023-09-12 | 富士通株式会社 | 从视频中识别对象的方法和设备 |
CN110874547A (zh) * | 2018-08-30 | 2020-03-10 | 富士通株式会社 | 从视频中识别对象的方法和设备 |
CN109285149A (zh) * | 2018-09-04 | 2019-01-29 | 杭州比智科技有限公司 | 人脸图像质量的评估方法、装置及计算设备 |
CN111126121A (zh) * | 2018-11-01 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 人脸识别模型的调整方法、装置、设备及存储介质 |
CN111126121B (zh) * | 2018-11-01 | 2023-04-04 | 百度在线网络技术(北京)有限公司 | 人脸识别模型的调整方法、装置、设备及存储介质 |
CN111160066A (zh) * | 2018-11-07 | 2020-05-15 | 北京陌陌信息技术有限公司 | 人脸识别方法、装置、设备和介质 |
CN111160066B (zh) * | 2018-11-07 | 2023-04-18 | 北京陌陌信息技术有限公司 | 人脸识别方法、装置、设备和介质 |
CN109408396A (zh) * | 2018-11-12 | 2019-03-01 | 中国科学院长春光学精密机械与物理研究所 | 软件质量评价方法、装置、设备及计算机可读存储介质 |
WO2020124994A1 (zh) * | 2018-12-18 | 2020-06-25 | 北京字节跳动网络技术有限公司 | 活体检测方法、装置、电子设备及存储介质 |
CN109685785A (zh) * | 2018-12-20 | 2019-04-26 | 上海众源网络有限公司 | 一种图像质量评估方法、装置及电子设备 |
CN111866589A (zh) * | 2019-05-20 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种视频数据验证方法、装置、电子设备及存储介质 |
CN110378883A (zh) * | 2019-07-11 | 2019-10-25 | 北京奇艺世纪科技有限公司 | 图像评价模型生成方法、图像数据处理方法、装置、计算机设备和存储介质 |
CN112446849A (zh) * | 2019-08-13 | 2021-03-05 | 杭州海康威视数字技术股份有限公司 | 一种处理图片的方法及装置 |
CN110728227A (zh) * | 2019-10-09 | 2020-01-24 | 北京百度网讯科技有限公司 | 图像处理的方法及装置 |
CN111273581A (zh) * | 2020-01-23 | 2020-06-12 | 深圳市大拿科技有限公司 | 一种智能衣柜的控制方法及相关产品 |
CN111353470A (zh) * | 2020-03-13 | 2020-06-30 | 北京字节跳动网络技术有限公司 | 图像的处理方法、装置、可读介质和电子设备 |
CN111753731A (zh) * | 2020-06-24 | 2020-10-09 | 上海立可芯半导体科技有限公司 | 人脸质量评估方法、装置和系统以及人脸质量评估模型的训练方法 |
CN111915567A (zh) * | 2020-07-06 | 2020-11-10 | 浙江大华技术股份有限公司 | 一种图像质量评估方法、装置、设备及介质 |
CN112069887A (zh) * | 2020-07-31 | 2020-12-11 | 深圳市优必选科技股份有限公司 | 一种人脸识别方法、装置、终端设备及存储介质 |
CN112069887B (zh) * | 2020-07-31 | 2023-12-29 | 深圳市优必选科技股份有限公司 | 一种人脸识别方法、装置、终端设备及存储介质 |
WO2023065889A1 (zh) * | 2021-10-22 | 2023-04-27 | 荣耀终端有限公司 | 一种指纹识别方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446651A (zh) | 人脸识别方法和装置 | |
CN109214343A (zh) | 用于生成人脸关键点检测模型的方法和装置 | |
CN107622240B (zh) | 人脸检测方法和装置 | |
CN109002842A (zh) | 图像识别方法和装置 | |
CN108710885A (zh) | 目标对象的检测方法和装置 | |
CN108416324A (zh) | 用于检测活体的方法和装置 | |
CN109191514A (zh) | 用于生成深度检测模型的方法和装置 | |
CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
CN108154547B (zh) | 图像生成方法和装置 | |
CN108520220A (zh) | 模型生成方法和装置 | |
CN109344908A (zh) | 用于生成模型的方法和装置 | |
CN108898186A (zh) | 用于提取图像的方法和装置 | |
CN107590482A (zh) | 信息生成方法和装置 | |
CN108491809A (zh) | 用于生成近红外图像生成模型的方法和装置 | |
CN109191453A (zh) | 用于生成图像类别检测模型的方法和装置 | |
CN108416323A (zh) | 用于识别人脸的方法和装置 | |
CN109308681A (zh) | 图像处理方法和装置 | |
CN109446990A (zh) | 用于生成信息的方法和装置 | |
CN108171206B (zh) | 信息生成方法和装置 | |
CN109410253B (zh) | 用于生成信息的方法、装置、电子设备和计算机可读介质 | |
CN108509892A (zh) | 用于生成近红外图像的方法和装置 | |
CN109389072A (zh) | 数据处理方法和装置 | |
CN111539903B (zh) | 训练人脸图像合成模型的方法和装置 | |
CN109086780A (zh) | 用于检测电极片毛刺的方法和装置 | |
CN108337505A (zh) | 信息获取方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180824 |
|
RJ01 | Rejection of invention patent application after publication |